通过机器学习改善心血管风险预测:专注于周围血管脂肪组织特征

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 心血管疾病仍然是导致死亡的主要原因,需要有效的预防策略.
• 围绕冠状动脉的周围血管脂肪组织 (PVAT) 越来越多地被认为对心血管健康的作用.
• 对重大心血管不良事件 (MACE) 的预测模型对于及时干预至关重要.

研究的目的:

• 开发和评估用于预测MACE发生率的机器学习 (ML) 模型.
• 将临床数据与成像特征集成,包括冠状动脉 (CAC) 评分和PVAT特征.
• 评估基于ML的MACE预测对个性化医学的临床实用性.

主要方法:

• 在2017年1月至2019年12月期间,对1077名接受冠状动脉CT扫描的人进行分析.
• 收集临床特征,CAC分数和PVAT特征.
• 逻辑回归,弗雷明汉风险评分和MACE预测的各种ML算法的比较.

主要成果:

• 与传统方法相比,集体ML模型显示了MACE的优异预测性能.
• 关键预测因素包括患者年龄,吸烟状况,高血压,CAC分数和PVAT特征.
• 该模型有效地根据患者的3年MACE风险对患者进行了分层,独立于实验室结果.

结论:

• 开发的整体ML模型使用临床和成像数据准确预测MACE发生率.
• 基于ML的心血管风险预测为个性化医疗和改善患者结果提供了一条途径.
• 通过先进的建模,对高风险个体的早期识别有助于制定有针对性的预防策略.